随着我国证券市场的发展,上市公司数量不断增多,市场规模不断扩大。同时,随着证券市场准入和退出制度的完善,特别是连续亏损的企业实行特别处理和退市后,部分经营失败上市公司成为投资者面前的地雷。那些破产的上市公司更加使投资者血本无归。因此作为证券市场基石的上市公司的财务状态的预测无疑是有关各方非常关注的。如何预测公司经营失败的问题已经成为理论界和实务界共同关心的问题。准确预测公司的财务困境可以为投资者提供重要投资参考,可以提醒公司管理层及早采取措施以避免情况进一步恶化,可以为债权人特别是商业银行的贷款管理提供预警指标,帮助证券监管当局制定有效的稳定市场的办法。自从Altman在财务困境预测方面进行了开创性研究以来,财务困境预测已经得到了突破性发展。这种发展为投资者、债权人和投资银行了解企业的财务状态提供了比单纯财务比率分析更加科学的方法。随着信息技术的发展,多变量判别分析(MDA)方法已经对一般使用者而言,简单得只需“屈指一算”。但MDA方法固有的局限性促使寻找更好的预测方法。Olhson将Logit方法运用于财务困境预测,改进了Z分数的预测效果,克服了Z分数的部分局限性。智能技术的发展为得到更准确的财务困境预测提供了可能。神经网络(NN)也被成功地被应用到财务困境预测中。建立在统计学习理论基础上的支持向量机(SVM)被认为是专门针对小样本学习的,能够在模型的复杂性和泛化性方面寻找均衡。因此,克服了神经网络的易陷入局部极小值和过度拟合的缺点。本文在总结和分析国外与国内关于财务困境预测理论和方法的研究现状和发展的基础上,用支持向量机建立了公司破产前5年的财务困境预测模型。具体研究内容和成果如下:首先提出了以退市公司作为财务困境样本的合理性。因为这类公司更接近于国外定义的财务困境公司—破产公司。另外,随着退市制度的逐步完善,这些公司的数量接近于近80家。加上配比的财务健康公司,就有足够的样本建立财务困境预测模型。接着讨论了预测变量的选择问题。除继续利用部分有代表性的财务比率作为预测变量以外,提出我国上市公司资金被控股股东或关联方占用也应作为预测变量出现在针对退市公司的财务困境预测模型中。文中用四个比率来反映上市公司资金被占用情况,即其他应收款/股东权益,其他应收款/总资产,(其他应收款+应收账款)/股东权益,(其他应收款+应收账款)/总资产。对选择的20个初始变量进行均值相等性检验后找出了对两组样本具有显著差异的变量。这些对两组变量有显著差异的变量中包括了反映公司资金占用的变量。接着通过主成分分析也发现反映资金占用的因子对方差边际贡献较大。然后用支持向量机作为工具,用对两组样本有显著差异的变量作为支持向量机的输入,建立了破产前5年的五个财务困境预测模型。支持向量机通过找出位于边界上的支持向量,有效地对训练样本和检验样本进行了识别。支持向量机的参数选择上则采用了遗传算法,选择了比较理想的惩罚因子和核参数。最后比较了支持向量机和多变量判别分析在模型预测的准确性和鲁棒性方面的差异。由于支持向量机仅依赖于边界上的支持向量,有效克服了过度拟合问题。同时支持向量机擅长处理非线性分类问题,而多变量判别分析处理线性分类问题较好,且样本要服从一定的假设条件。通过比较两种方法对估计样本和检验样本的I类错误和II类错误发现,支持向量机在预测的准确性方面优于多变量判别分析。通过Levene检验,支持向量机预测的鲁棒性方面也优于多变量判别分析。通过比较I类错误和II类错误相对变动成本,从误分成本看,支持向量机也优于多变量判别分析。